導讀：本文主要從偏向底層的推薦算法角度來闡述信息流推薦系統(tǒng)升級如何助力用戶增長。我們知道，內容信息流實際上已經(jīng)算是信息流中比較小的概念，其中包含圖文信息流、短視頻信息流和內容+電商信息流，而對于用戶來講實際上是一個消費時間的產品體驗，從而對內容生態(tài)產生很大的助力 ( 包括PGC、UGC的短內容生態(tài) )，這就是本文主要的問題——內容信息流。本文旨在解決的問題是：基于推薦算法視角，來解決信息流產品用戶增長的問題。其中，主要問題就是如何提升留存率。

01

關于用戶增長

做過推薦系統(tǒng)方面工作的同學應該清楚的知道，推薦工程里面主要包含推薦算法和搜索算法。而我們往往關注的是Stoptime這樣的指標，使用有監(jiān)督的模型來解決一系列問題，例如點擊率、單次時長等。對于留存問題和大盤規(guī)模問題在機制上，有很大的不足，比如：推薦新的篇章，從用戶方面和生態(tài)方面都存在著雙邊的幸存者偏差問題。1. 問題分析首先看下大的背景，目前是移動互聯(lián)網(wǎng)進入下半場的大趨勢，過去粗放式的買量、廠商合作等模式越來越受到掣肘，未來將更加依賴精細化的用戶增長策略、產品和用戶體驗的細致打磨。經(jīng)典的AARRR模式會逐步轉向RARRA模式，提升產品留存、拉活、分享傳播等方式是構建增長的主要戰(zhàn)場，對于一個內容型產品來說，個性化算法對于用戶留存、拉活起到了決定性的作用。在信息流產品增長上，有三種比較成功的模式：

頭部內容模式：一種比較"重"的模式，該類產品利用精準的內容采買，引入優(yōu)質的頭部內容創(chuàng)作者，利用頭部內容的流量聚焦效應，迅速圈定大批用戶，并形成內容APP特有的用戶心智;但是由于內容頭部化，個性化算法在其中發(fā)揮的空間和作用較小，產品模式趨于同質化。

下沉/激勵模式：該類產品參考了網(wǎng)絡游戲模式，從各個環(huán)節(jié)設計用戶里程碑和激勵，不斷引導新用戶一步步完成點擊、下刷、完整閱讀、分享、關注等目標里程碑，并給予虛擬貨幣和真實貨幣的激勵，在短時間內可以獲取大量下沉用戶。

生態(tài)構建模式：該類產品構建了完善的內容生產和消費生態(tài)，旨在通過推薦系統(tǒng)同時刺激生產和消費，實現(xiàn)兩端的同時增長。

因此，個性化的核心問題主要分為兩個：

用戶狀態(tài)建模：深度建模用戶狀態(tài)和行為，通過對于大數(shù)據(jù)集中分析，找到使用戶從低階狀態(tài)到高階狀態(tài)轉化的干預因子。也就是如何把新用戶轉化成低階用戶，然后從低階用戶轉化到高階用戶，用戶流失后如何召回，類似這樣的用戶狀態(tài)轉化。

個性化分發(fā)的升級：將用戶行為建模后，在多個場景下將這些干預動作轉化為個性化推薦和營銷，滿足用戶的消費需求。

2. 增長要素

什么樣的內容會讓用戶覺得好?我們來看看用戶增長的要素：

優(yōu)質內容/時效性：內容的更新頻率以及內容的質量是用戶增長的關鍵。

個性化體驗：千人千面，推薦的內容符合當下的需求。

多渠道獲客：多渠道獲客的能力也是增長的一個關鍵因素。

CPC vs LTV：維持CPC ( 按點擊收費 ) 和LTV ( 用戶對系統(tǒng)的長期價值 ) 的一個平衡。

算法如何助力增長呢?主要有以下幾點：

精細化買量/外投;

提升留存;

衡量推薦這樣Action的效用;

消除幸存者偏差。

02關于推薦算法推薦系統(tǒng)在國內大概已經(jīng)有十多年的應用，模型架構和算法都有很大的升級。1. 推薦系統(tǒng)回顧

首先回顧下推薦系統(tǒng)：

劣質系統(tǒng)：只會推薦一些低俗 ( 只滿足低層次需求 )、興趣受窄、搬運內容 ( 無稀缺性 )、陳舊內容的信息。

良性系統(tǒng)：區(qū)別于劣質系統(tǒng)，在各個環(huán)節(jié)都會不斷增加信息量 ( 多樣性 )，不同層次的用戶引入 ( 用戶多樣性 )，各類高質量內容的引入 ( 內容多樣性 )，內容更具時效性 ( 提升媒體屬性 )，探索出用戶中長尾興趣：當頭部內容過期時從而更合理的承接。

問題在哪兒?主要存在以下問題：統(tǒng)計機器學習模型存在缺陷;長期的指標觀測體系匱乏以及業(yè)務短視;缺乏合理的機制設計和產品視角。

2. 信息流推薦的增長目標

用戶滿意度的衡量：

衡量用戶滿意度的指標有很多，但主要集中在三大方面：內容相關性、內容質量和內容時效性，時效性一定程度上代表內容的稀缺性。

ctr代表什么：一定需要ctr嗎?對內容無認知的用戶需要衡量用戶對列表頁素材的滿意度，對內容有認知的用戶還需要衡量用戶對內容本身的滿意度。

用戶對內容真正的認可是通過點贊、分享、評論這種互動的方式來表現(xiàn)的，目前很多產品注重對互動的引導。

信息流推薦的增長目標，主要包括：

提升用戶留存、LTV

通過分發(fā)篩選出優(yōu)質內容、優(yōu)質生產者：在傳統(tǒng)的認知中，喜歡什么就給什么;但是更新后的認知是創(chuàng)造需求和玩法，持續(xù)優(yōu)質內容生產

構建內容生態(tài)：提高分發(fā)時效性;增加對upgc主的激勵 ( 曝光、點擊、粉絲、分成 );通過準入、扶持打壓、激勵這種機制維持一個好的生態(tài)和增長。只有通過用戶和生態(tài)兩端的同時增長，才能讓產品得到一個飛輪效應，良性發(fā)展

03

核心增長機制

1. 雙邊冷啟動與流轉機制① 概述

在管理上也有這樣的一種思想，就是新人做老事、老人做新事，促進事情穩(wěn)定向前推進，這就是流轉機制設計的主要思想。因此，如何對新用戶和新內容做雙邊冷啟動就成了核心的問題。從算法來看，這是兩個不太相同的問題，但從整體設計思想來講，兩者又比較相近。新內容通過相關性分析可以達到探索、分發(fā)、推廣的效果。進而新用戶如何探索他的興趣?比如推薦股票，一定會先推薦近期走勢最好的股票;推薦科幻片，大概也是這樣，推薦評分最高的，這樣就可以實現(xiàn)新用戶規(guī)模本身的增長。對于新內容來講，通過老用戶面對熱內容的探索分析，也可以逐步推進內容生態(tài)的增長，其實這并不完全是算法的問題，這同樣是貫穿從內容運營到產品設計整個體系的一個哲學思想。對于新和舊的定義是通過置信度對應到多峰興趣級別，同時對應到topic興趣的級別;對于新和老的準確定義應該是經(jīng)過某些流量的分發(fā)驗證，而不是簡單通過來的早晚;新內容冷啟機制也叫爬坡機制。這里面帶來的技術問題包含：

基于表征學習的排序技術，難以表達置信度;神經(jīng)網(wǎng)絡技術很難表達最重要的概念。

新內容冷啟動技術選型業(yè)內有很多的方案：隨機保量 ( 短期降效、對生態(tài)fairness問題相對友好、構建寶貴的無偏數(shù)據(jù)集，消偏應用 ) +Bandit類算法 ( 短程收斂性有一定劣勢 ) +uncertainty預估 ( 個人推薦 )

新用戶冷啟動的技術選型和新內容還是有很大差別的，其主要是通過強化學習、聯(lián)邦學習這種人工智能的方式進行分析，而通過統(tǒng)計學，很難分析出人的偏好。

② 詳細實現(xiàn)

雙邊冷啟動與流轉機制的實現(xiàn)，主要包括：a. 早期以顯式標簽+統(tǒng)計連續(xù)值為主的推薦系統(tǒng)

Rank = pRelevance(topic | user)^ cu * pCTR( item | topic)^ ci 一方面用主題到用戶的相關性，另一方面用item到主題的統(tǒng)計值或者模型的估分，這里面會有兩個置信的概念，一個是用戶興趣的置信度，一個是item本身的置信度;

新item冷啟探索：ci低會提高cu，側重主題到用戶的相關性值以及預估穩(wěn)定性;

新用戶冷啟/興趣探索：cu低會提高ci，側重item到主題的統(tǒng)計值以及預估穩(wěn)定性;

純利用：對于老人做老事，ci高，cu也高，推薦的短期效率指標是最高的，但是長期來看，如果只注重這種推薦的短期效率指標，不對新用戶和新內容進行探索，那長期就很難發(fā)展下去。

b. 以表征學習為主的推薦系統(tǒng)，這塊主要是思考如何做成Risk-aware recommendation，目前構建排序模型uncertainty的一種方式如下：

c. 超參學習/調控的目標→系統(tǒng)全局E&E3. 消偏與因果推斷：背景介紹

對于幸存者偏差問題，我們是通過因果推斷的方式解決的。推薦系統(tǒng)其實是一個因果推斷的問題，通過用戶是什么樣的人，從而推測用戶會喜歡什么樣的item;對于推薦的causal effect，用戶會不會喜歡?效用有多大?會不會成為高價值客戶?如果推薦后，用戶會有hot moment，我們可以判定，推薦效果是好的。為什么會存在幸存者偏差呢?

推薦模型本身的樣本就是有偏的，user和item偏同時存在，比如用戶沒看喜歡的部分沒有參與到模型訓練中。

對應到item，就是selection-bias和fairness問題。比較典型的案例是youtube net，user embedding average pooling本質上，依然是item-embased，后續(xù)諸多改進沒有本質的解決消偏問題。這樣就會導致后續(xù)推的東西比較類似，如果第一次推的好就會留下用戶，推得不好用戶就會很快流失。

4. 消除幸存者偏差：Casual Inference推薦框架

假設：在因果推斷的推薦框架中，假設用戶變成低活、沉默的原因主要是用戶對之前推薦的內容不滿意。方法：

構建反事實鏡像人：利用無偏信息構建相似度量，構建低活user到高活user的匹配 ( Matching / Propensity Score / IPW，Causal Embedding )

去除低活、沉默用戶的leavecause，推薦高活鏡像人的stay causes

經(jīng)過實踐探索后發(fā)現(xiàn)，causal inference框架將成為用戶增長方向的理論基石，對于消偏、效用衡量、歸因和生態(tài)公平性問題都有解法;同時，causal inference也為經(jīng)典推薦算法難題提供解法，如selection-bias、低活用戶畫像和推薦可解釋性等問題。5. 面向增長的用戶畫像

① 狀態(tài)里程碑表示法

經(jīng)典用戶畫像，主要要服務于運營的可解釋性、推薦或廣告系統(tǒng)的模型預估;通常建模成向量：高維離散、低維稠密以及多峰embedding。由于信息流產品具備連續(xù)型消費的特點 ( 同主題下的消費，upgc關注、直播 )，用戶消費行為可以在連續(xù)的時間上進行切分，因此狀態(tài)表示法是對向量表示法的有力補充，狀態(tài)表示法主要包含活躍度、置信度，多峰興趣的置信度、活躍度;這樣將難度較大的"促留存"問題拆分為"目標達成"問題，通過策略不斷使得用戶完成高階里程碑，將"促留存"的抓手聚焦在用戶狀態(tài)躍遷速度的提升上。② 全生命周期因果推斷

全生命周期的因果推斷：在構建面向增長的用戶畫像時，需要采用全生命周期因果推斷：

狀態(tài)躍遷效用衡量

找到使用戶從低階到高階狀態(tài)轉化的干預因子：

· 內容變化：新內容上下架、熱點事件的產生和消逝

· 捕捉興趣的變化

· 分發(fā)幸存者偏差問題

根據(jù)causes的actions：

推斷后的數(shù)據(jù)統(tǒng)計到內容采買和生產

干預場的設計和頁面組織

內容供給指導 ( 2b供應鏈 )

構建時間線上的的推薦系統(tǒng)來推斷個性化排序機制

6. 效用理論應用

① 個性化排序機制

對于效用的普遍認知是：

新用戶首次滿意消費和活動 ( 內容質量控制 )

低活用戶瀏覽深度和ctr ( 內容質量控制 )

高活用戶要增加新穎性和多樣性

個性化排序機制通過multi-task learning、強化學習和causal effect的方式，來進行分狀態(tài)差異化的對用戶進行躍遷效用最大化地排序推薦，無論是新用戶、低活還是各個細分狀態(tài)的用戶，都會讓用戶在平臺中覺得不是興趣收窄的，承擔著各自的職責。這些內容在阿里都有落地并取得了很大的收益。② 生態(tài)效用技術

效用理論應用是一個比較開放的課題，對于電商、短內容的生態(tài)是不一樣的。供給歸因：

興趣覆蓋度、興趣點下的內容質量、時效性、競爭激烈程度

內容供給知道(2B供應鏈->內容采買/生產/激勵機制)

up主激勵機制：

up主質量體系：關注量曲線、生產效率、生產質量，內容正負反饋

輸入就是歷史分發(fā)數(shù)據(jù)(曝光量、點擊量、關注量、up主質量體系)

計算：

· 曝光量->爆款成功率

· 最大化效用：激勵函數(shù)->內容質量和生產效率的擬合

輸出就是一定時間內up主內容的保量、限量range->在線排序的調控約束機制

未來方向：

流量貨幣化

更多經(jīng)濟學、機制設計理論的引入· 演化博弈論分析· 競對分析

以上就是針對面向用戶增長的信息流分發(fā)機制的分享，特別是短內容領域利用推薦算法推動用戶增長的思考，分享比較偏技術，是在阿里多年積累所沉淀下來的東西，沒有太多強調推薦算法模型的部分，更多是以整體的算法架構和算法機制設計角度考量生態(tài)和用戶增長，里面很多問題也是特別難、特別開放的，歡迎大家一起交流探討。

今天的分享就到這里，謝謝大家。

來源：天師 DataFunTalk

以上是關于用戶增長師的相關信息，以供大家查看了解。想要了解更多用戶增長師信息，第一時間了解用戶增長師相關資訊，敬請關注唯學網(wǎng)用戶增長師欄目，如有任何疑問也可在線留言，小編會為您在第一時間解答!